REMAL: Aprendizaje Activo de Manifold Residual en Diseño Multidisciplinario
REMAL: aprendizaje activo para modelar superficies residuales en sistemas de ingeniería acoplados. Reduce costos en diseño multidisciplinario y optimización.
#sustituto
Deep learning como sustituto escalable de modelos físicos en electrocardiología
Descubre cómo un modelo de deep learning predice ECG con alta precisión, superando simulaciones físicas en velocidad y escalabilidad para aplicaciones clínicas.
Métodos de Tensores: Enfoque Interpretable para Diseño de Materiales
Descubre cómo los métodos de tensores ofrecen predicciones interpretables y precisas para el diseño de materiales, superando a modelos ML tradicionales en muestreos no uniformes.
A2SG: Gradientes sustitutos adaptativos y asimétricos para SNNs
Descubre cómo A2SG, los gradientes sustitutos adaptativos y asimétricos, mejoran la precisión y eficiencia energética en redes neuronales de picos profundas.
Corrección de sesgo para mejorar transferibilidad adversarial en VLP
Mejora la transferibilidad adversarial en modelos VLP con DeBias-Attack, que corrige el sesgo del modelo sustituto para ataques más efectivos.
Explorando el diseño de retropropagación de recompensa para Flow Matching
Descubre FlowBP, un nuevo marco que optimiza la retropropagación de recompensa en modelos de Flow Matching, mejorando la alineación sin saturar la memoria.
Muestreo activo generativo para entrenar sustitutos PDE en línea
Descubre cómo OGAS mejora el entrenamiento de sustitutos PDE al enfocarse en casos difíciles, reduciendo errores extremos y dispersión sin sobrecarga computacional.
Red de Grafos de Malla para Simulación FEM en Geometrías Arbitrarias
Descubre una red neuronal de grafos de malla para acelerar simulación FEM en geometrías arbitrarias, superando modelos tradicionales con R² > 0.97.
Red de grafos mesh para acelerar simulaciones de elementos finitos
Aprende cómo una red de grafos mesh predice tensiones en geometrías arbitrarias, acelerando la simulación de elementos finitos con R² >0.97.
Perspectiva de sistemas dinámicos para avanzar el modelado de series temporales
Descubre cómo los sistemas dinámicos mejoran el modelado de series temporales: pronósticos precisos y menor costo computacional.
Evaluación de sustitutos informados por física orientada a decisiones
Descubre pinn-gym, un benchmark para evaluar sustitutos informados por física con métricas de decisión, no solo error de curva. Ideal para diseño de materiales.
Modelos de Deriva para Flujo Sustituto
Descubre cómo los modelos de deriva generan flujos CFD de alta calidad en un solo paso, superando a la difusión en velocidad y precisión. Ideal para simulación en tiempo real.
CoMetaPNS: Meta-aprendizaje continuo para simulaciones cardíacas personalizadas
Descubre CoMetaPNS, el nuevo marco de meta-aprendizaje continuo que evita el olvido catastrófico en simulaciones cardíacas personalizadas.
Modelos de Deriva para Simulación de Flujo Sustituto
Descubre cómo los modelos de deriva generan flujos de fluidos de alta calidad en un solo paso, superando a la difusión en velocidad y precisión para simulación en tiempo real.
CoMetaPNS: Aprendizaje continuo meta para simulaciones cardíacas personalizadas
Descubre CoMetaPNS, un nuevo marco de meta-aprendizaje continuo que permite simulaciones cardíacas personalizadas sin olvido catastrófico. Ideal para entornos clínicos.
Optimización neural amortizada para integridad de señal en pre-layout
Descubre cómo la optimización neural amortizada acelera hasta 1000x el diseño de integridad de señal en pre-layout, pasando de días a milisegundos.
SAGE: Gobernanza y Evaluación Escalable de IA
Descubre SAGE, el framework que combina juicio humano y LLM para evaluar la relevancia en búsquedas a gran escala, con 92% menos costo y +0.25% de usuarios activos en LinkedIn.
Análisis SAXS con aprendizaje automático diferenciable para nanopartículas lipídicas
Acelera el análisis estructural de nanopartículas lipídicas con un marco de aprendizaje automático diferenciable para SAXS. Resultados precisos y rápidos.
Aprendizaje multifidelidad con decodificadores superficiales en reactores
Los decodificadores recurrentes superficiales mapean modelos de baja fidelidad a alta fidelidad en reactores, reduciendo costes computacionales.
Optimización de calidad-diversidad con U-Net para diseños urbanos climáticos
Descubre cómo U-Net acelera la optimización QD para generar miles de diseños urbanos adaptativos al clima en minutos.